这个工具做什么
这个音频转文字工具把音频或视频文件转成文字稿，或者生成 SRT、VTT 字幕，全程不上传任何内容。它直接在浏览器里运行 OpenAI 的 Whisper 语音识别模型，可以免费、私密地转写采访、会议、讲座、语音备忘录和播客。Whisper 还能把其他语言的语音直接翻译成英文文字。
选好文件后，页面用浏览器的 Web Audio API 解码音轨，重采样为 Whisper 需要的 16 kHz 单声道，再在后台 Worker 里按 30 秒一段（相邻段略有重叠）转写，所以很长的录音也能处理。结果显示在输出框里，可以复制，或下载为 .txt、.srt、.vtt。
使用方法
- 选择模型：微型最快，小型最准确，基础（默认）兼顾两者。
- 点击下载模型并开始。第一次会显示下载进度；之后浏览器会从缓存中快速载入。
- 把音频或视频文件拖到页面上，或点击选择文件。大多数浏览器支持 MP3、WAV、M4A、AAC、OGG、Opus、FLAC、WebM 和 MP4，最大 500 MB。页面会显示文件名、时长和大小。
- 转写会自动开始，并显示已完成的段数。修改语言或任务后，点击重新转写。
- 随时在纯文本、SRT 和 VTT 之间切换输出格式，不需要重新转写。然后复制或下载。
音频语言默认根据前 30 秒自动识别。手动指定会更快，短音频也不容易认错。选择翻译成英文可以把其他语言的语音直接转成英文文字。模型、语言、任务和格式都保存在页面地址里，所以分享按钮会带上相同的设置；文件本身永远不会出现在链接里。
示例
一段两句话的音频导出为 SRT 是这样的：
1
00:00:00,000 --> 00:00:03,240
Welcome back to the show.
2
00:00:03,240 --> 00:00:07,800
Today we are talking about speech recognition.VTT 使用相同的字幕段，开头多一行 WEBVTT，毫秒前用点号，这是 HTML5 视频播放器读取的格式。
隐私、准确度和浏览器要求
除了下载模型，所有处理都在你的设备上完成，适合处理保密录音。需要支持 WebAssembly 的新版 Chrome、Edge、Firefox 或 Safari。支持 WebGPU 时（大多数桌面版 Chrome 和 Edge）会自动使用，速度快很多；否则自动改用 WebAssembly。长文件需要内存：一小时音频解码后占用几百 MB，小型模型也比微型和基础占用更多，在手机上请关闭其他占内存的标签页。转写完成前请保持页面打开。
Whisper 对清晰的语音效果很好，对口音和背景噪音也有一定容忍度，但可能听错人名和专业术语，遇到静音或音乐时偶尔会重复或凭空生成一句话。发布前请校对文字稿。工具不会识别说话人；视频文件只有在浏览器能解码其音频编码时才能转写。
常见问题
› 音频会上传到服务器吗？
不会。文件在浏览器里解码和转写。唯一的网络请求是第一次从 Hugging Face 下载 Whisper 模型文件；你的音频、视频和转写结果都不会离开设备。
› 用的是什么模型？许可证是什么？
OpenAI Whisper（tiny、base 或 small），使用 onnx-community 在 Hugging Face 发布的 ONNX 版本，由 Apache-2.0 许可的 transformers.js 库运行。OpenAI 以 MIT 许可证发布 Whisper 的代码和模型权重。
› 模型有多大？要等多久？
微型约 40 MB，基础约 80 MB，小型约 250 MB（WebGPU 下会更大一些，因为编码器使用全精度）。只下载一次，之后由浏览器缓存。转写速度取决于设备：有 WebGPU 时基础模型通常比实际时长快好几倍，只用 WebAssembly 时可能接近实际时长。
› 支持哪些语言？
Whisper 能识别约 99 种语言，选择框里列出了最常用的，包括中文、英语、日语、韩语、西班牙语、法语和德语。英语和使用广泛的语言最准确，小语种的准确度会下降，微型和基础模型尤其明显。自动识别只听前 30 秒；如果录音开头是音乐或其他语言，请手动选择语言。
› 能生成字幕或区分说话人吗？
可以生成带分段时间轴的 SRT 和 WebVTT 字幕，可导入 YouTube、VLC 或视频剪辑软件。它不区分说话人，时间戳精确到句子而不是单个词。